Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2252

[mytarmailS]

Maxim Dmitrievsky:

Como assim, estás a brincar comigo?

Quero dizer - eu sabia o que são autogeradores antes de você saber))

[[Excluído]]

mytarmailS:

Por que há um neurônio lá, você pode explicar o diagrama de blocos

[mytarmailS]

Maxim Dmitrievsky:

Porque decidiu substituir a gmm por um codificador?

Porque pensaste que funcionaria melhor, tiveste uma ideia, estou interessado na ideia, sabes?

[[Excluído]]

mytarmailS:

Então estou a dizer, porque decidiu substituir o gmm por um codificador?

Porque pensaste que funcionaria melhor, tiveste uma ideia, estou interessado na ideia, sabes?

Porque é o mesmo modelo generativo, mas é personalizável.

Funciona tão bem nas fracções, é pior nas citações, ainda não percebi porquê.

[mytarmailS]

Maxim Dmitrievsky:

porque é o mesmo modelo generativo, mas personalizável

funciona tão bem nas aspas, é pior nas aspas, ainda não sei porquê.

Você tem acesso aos pesos líquidos e a capacidade de alterá-los?

[Vladimir Perervenko]

Maxim Dmitrievsky:

Eu esperava mais deles.

O codificador é um neurónio.

você não entenderia de qualquer maneira, mas aqui está a estrutura.

Então, onde está o treino? É tudo funções e classe.

[[Excluído]]

Vladimir Perervenko:

Então, onde está o treino? É tudo funções e classe.

Precisas de um ciclo de treino?

[Vladimir Perervenko]

Maxim Dmitrievsky:

você precisa de um ciclo de aprendizagem?

Bem, até onde eu entendo a AE de variação difere da AE normal na medida em que durante o treino o descodificador não é alimentado com um valor escondido mas sim reparametrizado. Eu não vi onde isso acontece.

[[Excluído]]

Vladimir Perervenko:

Bem, até onde eu entendo a AE de variação difere da AE normal na medida em que durante o treino o descodificador não é alimentado com um valor escondido mas sim reparametrizado. Eu não vi onde isso acontece.

        z_mu, z_var = self.encoder(x)

        #  sample from the distribution having latent parameters z_mu, z_var
        #  reparameterize
        std = torch.exp(z_var / 2)
        eps = torch.randn_like(std)
        x_sample = eps.mul(std).add_(z_mu)

[Vladimir Perervenko]

Maxim Dmitrievsky:

Vamos dizer (nem tudo está claro para mim no código Python). E onde está o treino deste BAE?

Está em pyTorch?